与其他的人工智能技术相比,情感分析(Sentiment Analysis)显得有些特殊,因为其他的领域都是根据客观的数据来进行分析和预测,但情感分析则带有强烈的个人主观因素。情感分析的目标是从文本中分析出人们对于实体及其属性所表达的情感倾向以及观点,这项技术最早的研究始于2003年Nasukawa和Yi两位学者的关于商品评论的论文。
随着推特等社交媒体以及电商平台的发展而产生大量带有观点的内容,给情感分析提供了所需的数据基础。时至今日,情感识别已经在多个领域被广泛的应用。例如在商品零售领域,用户的评价对于零售商和生产商都是非常重要的反馈信息,通过对海量用户的评价进行情感分析,可以量化用户对产品及其竞品的褒贬程度,从而了解用户对于产品的诉求以及自己产品与竞品的对比优劣。在社会舆情领域,通过分析大众对于社会热点事件的点评可以有效的掌握舆论的走向。在企业舆情方面,利用情感分析可以快速了解社会对企业的评价,为企业的战略规划提供决策依据,提升企业在市场中的竞争力。在金融交易领域,分析交易者对于股票及其他金融衍生品的态度,为行情交易提供辅助依据。
目前,绝大多数的人工智能开放平台都具备情感分析的能力,如图所示是玻森中文语义开放平台的情感分析功能演示,可以看出除了通用领域的情感分析外,还有汽车、厨具、餐饮、新闻和微博几个特定领域的分析。
那么到底什么是情感分析呢?从自然语言处理技术的角度来看,情感分析的任务是从评论的文本中提取出评论的实体,以及评论者对该实体所表达的情感倾向,自然语言所有的核心技术问题,例如:词汇语义,指代消解,此役小气,信息抽取,语义分析等都会在情感分析中用到。因此,情感分析被认为是一个自然语言处理的子任务,我们可以将人们对于某个实体目标的情感统一用一个五元组的格式来表示:(e,a,s,h,t)
以图为例,e是指某餐厅,a为该餐厅的性价比属性,s是对该餐厅的性价比表示了褒义的评价,h为发表评论者本人,t是19年7月27日。所以这条评论的情感分析可以表示为五元组(某餐厅,性价比,正向褒义,评论者,19年7月27日)。
情感分析根据处理文本颗粒度的不同,大致可以分为三个级别的任务,分别是篇章级、句子级和属性级。我们分别来看一下。
1 篇章级情感分析
篇章级情感分析的目标是判断整篇文档表达的是褒义还是贬义的情感,例如一篇书评,或者对某一个热点时事新闻发表的评论,只要待分析的文本超过了一句话的范畴,即可视为是篇章级的情感分析。
对于篇章级的情感分析而言有一个前提假设,那就是全篇章所表达的观点仅针对一个单独的实体e,且只包含一个观点持有者h的观点。这种做法将整个文档视为一个整体,不对篇章中包含的具体实体和实体属性进行研究,使得篇章级的情感分析在实际应用中比较局限,无法对一段文本中的多个实体进行单独分析,对于文本中多个观点持有者的观点也无法辨别。
例如评价的文本是:“我觉得这款手机很棒。”评价者表达的是对手机整体的褒义评价,但如果是:“我觉得这款手机拍照功能很不错,但信号不是很好”这样的句子,在同一个评论中出现了褒义词又出现了贬义词,篇章级的分析是无法分辨出来的,只能将其作为一个整体进行分析。
不过好在有很多的场景是不需要区分观点评价的实体和观点持有者,例如在商品评论的情感分析中,可以默认评论的对象是被评论的商品,评论的观点持有者也是评论者本人。当然,这个也需要看被评论的商品具体是什么东西,如果是亲子旅游这样的旅游服务,那么评论中就很有可能包含一个以上的观点持有者。
在实际工作中,篇章级的情感分析无法满足我们对于评价更细致,如果需要对评论进行更精确,更细致的分析,我们需要拆分篇章中的每一句话,这就是句子级的情感分析研究的问题。
2 句子级情感分析
与篇章级的情感分析类似,句子级的情感分析任务是判断一个句子表达的是褒义还是贬义的情感,虽然颗粒度到了句子层级,但是句子级分析与篇章级存在同样的前提假设是,那就是一个句子只表达了一个观点和一种情感,并且只有一个观点持有人。如果一个句子中包含了两种以上的评价或多个观点持有人的观点,句子级的分析是无法分辨的。好在现实生活中,绝大多数的句子都只表达了一种情感。
既然句子级的情感分析在局限性上与篇章级是一样的,那么进行句子级的情感分析意义何在呢?关于这个问题,需要先解释一下语言学上主观句与客观句的分别。在我们日常用语当中,根据语句中是否带有说话人的主观情感可以将句子分为主观句和客观句,例如:“我喜欢这款新手机。”就是一个主观句,表达了说话人内心的情感或观点,而:“这个APP昨天更新了新功能。”则是一个客观句,陈述的是一个客观事实性信息,并不包含说话人内心的主观情感。通过分辨一个句子是否是主观句,可以帮助我们过滤掉一部分不含情感的句子,让数据处理更有效率。
但是在实操过程中,我们会发现这样的分类方法似乎并不是特别准确,因为一个主观句也可能没有表达任何的情感信息,知识表达了期望或者猜测,例如:“我觉得他现在已经在回家的路上了。”这句话是一个主观句,表达了说话人的猜测,但是并没有表达出任何的情感。而客观句也有可能包含情感信息,表明说话者并不希望这个事实发生,例如:“昨天刚买的新车就被人刮花了。”这句话是一个客观句,但结合常识我们会发现,这句话中其实是包含了说话人的负面情感。
所以,仅仅对句子进行主客观的分类还不足以达到对数据进行过滤的要求,我们需要的是对句子是否含有情感信息进行分类,如果一个句子直接表达或隐含了情感信息,则认为这个句子是含有情感观点的,对于不含情感观点的句子则可以进行过滤。目前对于句子是否含有情感信息的分类技术大多都是采用有监督的学习算法,这种方法需要大量的人工标注数据,基于句子特征来对句子进行分类。
总之,我们可以将句子级的情感分析分成两步,第一步是判断待分析的句子是否含有观点信息,第二步则是针对这些含有观点信息的句子进行情感分析,发现其中情感的倾向性,判断是褒义还是贬义。关于分析情感倾向性的方法与篇章级类似,依然是可以采用监督学习或根据情感词词典的方法来处理,我们会在后续的小节详细讲解。
句子级的情感分析相较于篇章级而言,颗粒度更加细分,但同样只能判断整体的情感,忽略了对于被评价实体的属性。同时它也无法判断比较型的情感观点,例如:“A产品的用户体验比B产品好多了。”对于这样一句话中表达了多个情感的句子,我们不能将其简单的归类为褒义或贬义的情感,而是需要更进一步的细化颗粒度,对评价实体的属性进行抽取,并将属性与相关实体之间进行关联,这就是属性级情感分析。
3 属性级情感分析
上文介绍的篇章级和句子级的情感分析,都无法确切的知道评价者喜欢和不喜欢的具体是什么东西,同时也无法区分对某一个被评价实体的A属性持褒义倾向,对B属性却持贬义倾向的情况。但在实际的语言表达中,一个句子中可能包含了多个不同情感倾向的观点,例如:“我喜欢这家餐厅的装修风格,但菜的味道却很一般。”类似于这样的句子,很难通过篇章级和句子级的情感分析了解到对象的属性层面。
为了在句子级分析的基础上更加细化,我们需要从文本中发现或抽取评价的对象主体信息,并根据文本的上下文判断评价者针对每一个属性所表达的是褒义还是贬义的情感,这种就称之为属性级的情感分析。属性级的情感分析关注的是被评价实体及其属性,包括评价者以及评价时间,目标是挖掘与发现评论在实体及其属性上的观点信息,使之能够生成有关目标实体及其属性完整的五元组观点摘要。具体到技术层面来看,属性级的情感分析可以分为以下6个步骤:
关于文本中的实体抽取和指代消解问题,我们已经在知识图谱的相关章节中做了介绍,这里就不再赘述。针对篇章级、句子级、属性级这三种类型的情感分析任务,人们做了大量的研究并提出了很多分类的方法,这些方法大致可以分为基于词典和基于机器学习两种,下面我们进行详细的讲解。
做情感分析离不开情感词,情感词是承载情感信息最基本的单元,除了基本的词之外,一些包含了情感含义的短语和成语我们也将其统称为情感词。基于情感词典的情感分析方法,主要是基于一个包含了已标注的情感词和短语的词典,在这个词典中包括了情感词的情感倾向以及情感强度,一般将褒义的情感标注为正数,贬义的情感标注为负数。
具体的步骤如图所示,首先将待分析的文本先进行分词,并对分词后的结果做去除停用词和无用词等文本数据的预处理。然后将分词的结果与情感词典中的词进行匹配,并根据词典标注的情感分对文本进行加法计算,最终的计算结果如果为正则是褒义情感,如果为负则是贬义情感,如果为0或情感倾向不明显的得分则为中性情感或无情感。
情感词典是整个分析流程的核心,情感词标注数据的好坏直接决定了情感分类的结果,在这方面可以直接采用已有的开源情感词典,例如BosonNLP基于微博、新闻、论坛等数据来源构建的情感词典,知网(Hownet)情感词典,台湾大学简体中文情感极性词典(NTSUSD),snownlp框架的词典等,同时还可以使用哈工大整理的同义词词林拓展词典作为辅助,通过这个词典可以找到情感词的同义词,拓展情感词典的范围。
当然,我们也可以根据业务的需要来自己训练情感词典,目前主流的情感词词典有三种构建方法:人工方法、基于字典的方法和基于语料库的方法。对于情感词的情感赋值,最简单的方法是将所有的褒义情感词赋值为+1,贬义的情感词赋值为-1,最后进行相加得出情感分析的结果。
但是这种赋值方式显然不符合实际的需求,在实际的语言表达中,存在着非常多的表达方式可以改变情感的强度,最典型的就是程度副词。程度副词分为两种,一种是可以加强情感词原本的情感,这种称之为情感加强词,例如“很好”相较于“好”的情感程度会更强烈,“非常好”又比“很好”更强。另外一种是情感减弱词,例如“没那么好”虽然也是褒义倾向,但情感强度相较于“好”会弱很多。如果出现了增强词,则需要在原来的赋值基础上增加情感得分,如果出现了减弱词则需要减少相应的情感得分。
另一种需要注意的情况是否定词,否定词的出现一般会改变情感词原本的情感倾向,变为相反的情感,例如“不好”就是在“好”前面加上了否定词“不”,使之变成了贬义词。早期的研究会将否定词搭配的情感词直接取相反数,即如果“好”的情感倾向是+1,那么“不好”的情感倾向就是-1。但是这种简单粗暴的规则无法对应上真实的表达情感,例如“太好”是一个比“好”褒义倾向更强的词,如果“好”的值为+1,那么“太好”可以赋值为+3,加上否定词的“不太好”变成-3则显然有点过于贬义了,将其赋值为-1或者-05可能更合适。
基于这种情况,我们可以对否定词也添加上程度的赋值而不是简单的取相反数,对于表达强烈否定的词例如“不那么”赋值为±4,当遇到与褒义词的组合时褒义词则取负数,与贬义词的组合则取正数,例如贬义词“难听”的赋值是-3,加上否定词变成“不那么难听”的情感得分就会是(-3+4=1)。
第三种需要注意的情况是条件词,如果一个条件词出现在句子中,则这个句子很可能不适合用来做情感分析,例如“如果我明天可以去旅行,那么我一定会非常开心。”,在这句话中有明显的褒义情感词,但是因为存在条件词“如果”,使得这个句子的并没有表达观点持有者的真实情感,而是一种假设。
除了条件句之外,还有一种语言表达也是需要在数据预处理阶段进行排除的,那就是疑问句。例如“这个餐厅真的有你说的那么好吗?”,虽然句子中出现了很强烈的褒义情感词“那么好”,但依然不能将它分类为褒义句。疑问句通常会有固定的结尾词,例如“……吗?”或者“……么?”,但是也有的疑问句会省略掉结尾词,直接使用标点符号“?”,例如“你今天是不是不开心?”,这个句子中含有否定词和褒义词组成的“不开心”,但不能将其分类为贬义情感。
最后一种需要注意的情况是转折词,典型词是“但是”,出现在转折词之前的情感倾向通常与转折词之后的情感倾向相反,例如:“我上次在这家酒店的住宿体验非常好,但是这次却让我很失望。”在这个转折句中,转折词之前的“非常好”是一个很强的褒义词,但真实的情感表达却是转折词之后的“很失望”,最终应该将其分类为贬义情感。当然,也存在出现了转折词,但语句本身的情感并没有发生改变的情况,例如“你这次考试比上次有了很大的进步,但是我觉得你可以做得更好”,这里的转折词没有转折含义,而是一种递进含义。在实际操作中,我们所以需要先判断转折句真实的情感表达到底是哪个,才能进行正确的分析计算。
构建情感词典是一件比较耗费人工的事情,除了上述需要注意的问题外,还存在精准度不高,新词和网络用语难以快速收录进词典等问题。同时基于词典的分析方法也存在很多的局限性,例如一个句子可能出现了情感词,但并没有表达情感。或者一个句子不含任何情感词,但却蕴含了说话人的情感。以及部分情感词的含义会随着上下文语境的变化而变化的问题,例如“精明”这个词可以作为褒义词夸奖他人,也可以作为贬义词批评他人。
尽管目前存在诸多问题,但基于字典的情感分析方法也有着不可取代的优势,那就是这种分析方法通用性较强,大多数情况下无需特别的领域数据标注就可以分析文本所表达的情感,对于通用领域的情感分析可以将其作为首选的方案。
我们在机器学习算法的章节介绍过很多分类算法,例如逻辑回归、朴素贝叶斯、KNN等,这些算法都可以用于情感识别。具体的做法与机器学习一样需要分为两个步骤,第一步是根据训练数据构建算法模型,第二步是将测试数据输入到算法模型中输出对应的结果,接下来做具体的讲解。
首先,我们需要准备一些训练用的文本数据,并人工给这些数据做好情感分类的标注,通常的做法下,如果是褒义和贬义的两分类,则褒义标注为1,贬义标注为0,如果是褒义、贬义和中性三分类,则褒义标注为1,中性标注为0,贬义标注为-1
在这一环节中如果用纯人工方法来进行标注,可能会因为个人主观因素对标注的结果造成一定影响,为了避免人的因素带来的影响,也为了提高标注的效率,有一些其他取巧的方法来对数据进行自动标注。比如在电商领域中,商品的评论除了文本数据之外通常还会带有一个5星的等级评分,我们可以根据用户的5星评分作为标注依据,如果是1-2星则标注为贬义,如果是3星标注为中性,4-5星标注为褒义。又比如在社区领域中,很多社区会对帖子有赞和踩的功能,这一数据也可以作为情感标注的参考依据。
第二步是将标注好情感倾向的文本进行分词,并进行数据的预处理,前文已经对分词有了很多的介绍,这里就不再过多的赘述。第三步是从分词的结果中标注出具备情感特征的词,这里特别说一下,如果是对情感进行分类,可以参考情感词典进行标注,也可以采用TF-IDF算法自动抽取出文档的特征词进行标注。如果分析的是某个特定领域的,还需要标注出特定领域的词,例如做商品评价的情感分析,需要标注出商品名称,品类名称,属性名称等。第四步根据分词统计词频构建词袋模型,形成特征词矩阵,如表所示。在这一步可以根据业务需要给每个特征词赋予权重,并通过词频乘以权重得到特征词分数。最后一步就是根据分类算法,将特征词矩阵作为输入数据,得到最终的分类模型。
当训练好分类模型之后,就可以对测试集进行分类了,具体的流程与建模流程类似,先对测试的文本数据进行分词并做数据预处理,然后根据特征词矩阵抽取测试文本的特征词构建词袋矩阵,并将词袋矩阵的词频数据作为输入数据代入之前训练好的模型进行分类,得到分类的结果。
采用基于机器学习的方法进行情感分析有以下几个不足之处,第一是每一个应用领域之间的语言描述差异导致了训练得到的分类模型不能应用与其他的领域,需要单独构建。第二是最终的分类效果取决于训练文本的选择以及正确的情感标注,而人对于情感的理解带有主观性,如果标注出现偏差就会对最终的结果产生影响。
除了基于词典和基于机器学习的方法,也有一些学者将两者结合起来使用,弥补两种方法的缺点,比单独采用一种方法的分类效果要更好,另外,也有学者尝试使用基于LSTM等深度学习的方法对情感进行分析,相信在未来,情感分析会应用在更多的产品中,帮助我们更好的理解用户需求,提升用户使用智能产品的体验。
随着深度神经网络等算法的应用,情感分析的研究方向已经有了非常大的进展,但依然存在着一些难题是目前尚未解决的,在实操过程中需特别注意以下几种类型数据:
情绪轮在用户体验设计上被广泛的应用,很多情感化设计都是基于情绪轮进行的。但是在人工智能领域,将情绪进行多分类比情感分析的三分类任务要难得多,目前大多数分类方法的结果准确性都不到50%。这是因为情绪本身包含了太多的类别,而且不同的类别之间又可能具有相似性,一个情绪词在不同的语境下有可能表达的是不同的情绪类别,算法很难对其进行分类。即使是人工对文本进行情绪类别标注也往往效果不佳,因为情绪是非常主观性的,不同的人对不同的文本可能产生不同的理解,这使得人工标注情绪类比的过程异常困难。如何让机器可以理解真实的情绪目前还是一个未能攻克的难题。
前几天,孩子因为发烧在儿童医院住了一个星期。儿子隔壁床是一个3岁左右的小男孩儿,因为病情严重,医生要求孩子做个脑部核磁共振。
妈妈抱着孩子去相关的科室来来回回跑了三趟,孩子就是死活都不愿意做。孩子抱着妈妈一边哭一边喊:“妈妈,我怕,我不去!”妈妈很不耐烦地恐吓孩子:“那就是个机器,有什么可怕的,你不去,妈妈就不要你了!”
这下,孩子哭得更厉害了,抱着妈妈不肯撒手。妈妈一脸不悦的表情,用力推开了孩子,跑到了病房外。孩子看到妈妈离开了,哭得撕心裂肺,鞋子都顾不上穿,跑下床哭着喊着要去找妈妈,那场面看了让人觉得揪心。
生活中,很多父母认为孩子情绪失控是孩子的问题,孩子种种不当的行为更是固执、任性的表现。比如:带孩子去逛超市,孩子嚷嚷着要买玩具,大人不买,孩子哭闹不止、撒泼打滚,搞得父母一脸懵逼、措手不及。
对于情绪失控的孩子,父母经常采取的应对模式分为以下几种:
01 “情感隔离”型
这类父母通常面对孩子的情绪,都是摆起一副冷峻的面孔,任凭孩子撒泼打滚、哭声震天,也能保持淡定的姿态。这样的父母,在自己与孩子之前筑起了一道厚厚的墙,用情感隔离的方式保护自己,以避免自己卷入孩子激烈的情感体验中。
记得有一次,带儿子去买文具,在路边看到一个小女孩哭着喊着要让妈妈抱,可妈妈就是不肯抱她,扔给她两个选择——要么自己走,要么坐手推车。任凭孩子哭得上气不接下气,引来路人围观,妈妈就是执意不抱孩子。
02“暴力应对”型
这类父母本身脾气急躁,容易情绪化。在面对压力时,情绪波动较大,面对孩子的吵闹,更容易心烦气躁、发脾气。面对这样的父母,孩子不仅要承受自己的负面情绪,还要承受父母的批评、责骂。
前两天傍晚,听到楼下传来孩子的哭喊声——“爸爸,别打我,我要妈妈!”孩子喊叫的声音整栋楼都听得见,一打听才知道孩子爸爸脾气不太好,最近又失业了,开起了出租车。爸爸忙了一天,回家听到儿子又哭又闹,还把家里电视机的遥控器搞坏了,气得抱起孩子就打。
03“忽冷、忽热”型
这类父母心情好,拿孩子当宝,心情不好,拿孩子当草。他们心情好,遇到孩子哭闹,还能抱抱孩子,转移一下孩子的注意力,逗孩子开心。在外面遇到不开心的事了,回到家就把脸拉得老长,看到孩子哭闹,火蹭蹭蹭地往上窜,三分钟就炸毛。
同事娜娜的老公就是这样的人,前两天单位领导给他穿小鞋了心情不爽,一回到家就“葛优躺”。老婆一个人忙着做饭,还得照顾孩子,他全当没看见,孩子不小心打翻了一只碗,他就揪着这点小错误不放,口口声声骂孩子“没用”,还惩罚孩子“面壁思过”。
没过几天,升值加薪了,回到家看见儿子调皮捣蛋、撒泼打滚,他也不嫌烦了,抱着儿子又是讲故事,又是读绘本,那叫一个亲热。
面对情绪失控的孩子,不管你是哪种父母类型,都只是停留在事的层面,没有进入关系,更没有进入孩子的内心,连接孩子内心的“渴望”。因为他们没有搞明白孩子的情绪为什么会阴晴不定、说变就变。
孩子的情绪失控与大脑的结构和发育有关孩子的大脑就好比一个正在建造的房屋,每一个部分都有各自的功能,而且都是趋向变化和完善的,脑的发育会受到诸多因素的影响,如遗传、环境、教育、营养与疾病等。
《去情绪化管教》一书中提出了被称为“Brain C”的三个关于大脑的基本发现。其中最重要的一条就是:大脑是变化着的。这本书告诉我们脑干和边缘系统组成了通常被称为“爬虫类脑”的底层区域,它存在于头骨内大概从鼻梁到脖子上端这一高度的切面上。
构成上脑的部分叫大脑皮质,它存在于前额后头的位置,是大脑的最外一层,这一部分不像负责几个基本功能的原始大脑,上脑有一长串的关于思考、情绪和交际的功能清单——
•全面的决策和筹划能力
•身心管理能力
•个人洞识
•灵活性和适应性
•共情能力
•道德观
一个婴儿刚出生时,脑的重量仅有350-400克,大约是成人脑重的25%。虽说在外形上已具备了成人脑的形状,也具备了成人脑的基本结构,但在功能上还远远差于成人。
同时,大脑的发育遵循“从后到前、从内到外、从下到上、从右到左”的发展秩序和规律,不同时期的孩子,大脑发育的区域和水平各不相同。
有研究表明:一个人的大脑要完全发育好,要到25岁左右。所以,当一个3岁的孩子情绪失控,要他很好的控制自己的情绪、不哭不闹,就等同于让一个3岁的孩子具备25岁的大脑,是既不现实,也不符合科学规律的事。
孩子的情绪失控与父母的管教方式不当有关很多父母在养育和管教孩子的过程中,面对孩子不好好吃饭、坐姿不端正、写作业拖拉、不认真等等“不完美”的表现,动不动就“横眉冷对”、“河东狮吼”,轻则批评、责骂,重则大打出手。
比如:妈妈辅导小学二年级的儿子写作业,看到孩子口算错了好几道、写字不仅速度慢,个个还歪七扭八,提醒了孩子两句:“你看,这几道口算都做错了,字也没写在田字格中间,认真一点儿,把做错的题重新算一遍,字擦掉重写!”孩子听了,按照妈妈的吩咐做了,可修改过的作业还是一团糟。
这时,妈妈立马原地爆炸,开始怎么看儿子怎么不顺眼,于是指着孩子的鼻梁骂:“你看看你,写个作业都写不好,写的字像狗啃的,提醒了好几次,这么简单的题都能做错……”
接下来,孩子的情绪上来了,拿起作业本往桌上一扔,甩出一句:“我不写作业了,你天天就知道批评我,反正我这也不好,那也不好。”妈妈一听,火更大了,气得从椅子上跳起来,把儿子拉过来就是一巴掌。
孩子之所以会闹情绪,顶撞妈妈、甩作业本,是因为妈妈不能控制自己的情绪,对孩子缺乏足够的耐心,以不当的管教方式激活了孩子“下脑”中的神经元,引发了孩子激烈的对抗情绪。
用好“情感共鸣”,让人对你敞开心扉良好的沟通,其实重点不在于说什么,而在于怎么说,多使用“情感共鸣”,才能让人对你敞开心扉。
当我们在与别人进行沟通的时候,要想能够吸引对方,重点不在于说什么,而是怎么说。这不是方法或者招式,而是内功。
禁忌查户口式的对话比如,很多不懂沟通技巧的人,习惯使用这样的简单、直接的沟通方式:你多大了?你是哪里人?你叫什么名字?和任何人交流都要讲究技巧,谁也不会把自己的隐私随便告诉外人。
而高明的提问不仅可以使你达到了解对方的目的,被问者也会感到舒服——其中一个重大原则就是不要“查户口”,离对方的隐私远一点儿。
很多人都见过“查户口式”的谈话者。回忆两个人当时的沟通,都是对方在不断地提出各种各样的涉及隐私的问题——从你小时候的求学经历,到你如今的职业规划;从你喜欢的颜色,到你如今的年龄,甚至是你父母的工作;从你的感情状况,到你现在的住处,当下的收入……比警察审问的还要全面。这种事无巨细的交流方式,让人有一种被“强制审讯”的错觉。你会感觉到,提问者根本不关心你,他不是想与你真诚地交流,只是迫切地要获得他自己想要的答案——他的个人信息
下面我们来一段情景模拟,比如:“你是不是在国外留过学?这是一句普通的问句。转换成另一种方式就是:“你一定有在国外留过学。”再比如:“你觉得自己的性格怎么样?”换程思维方式就是:“如果我没看错,你的人缘一定不错吧~”这就很明显了。第一个例子,如果是普通对话,对方一定会回答:是的/没有。第二个例子,如果是普通对话,对方很可能会回答:额……我也不知道怎么说。/我觉得我性格还行吧
父母是孩子第一任老师,这句烂大街的话想必大家都听过,但实际上,我们还是有更多的父母为教育孩子费尽心血却适得其反,人人都希望自家有个乖孩子,听话、懂事、学习好,但为什么这样的孩子老是别人家的?
楼下的住户真的很闹腾,每隔几天就会有一场“家族大战”,晚上10点,常常看见妈妈被关在门外,哐当当的敲门声和嘶声力竭地喊他家小孩出来开门的声音此起彼伏,时间过去了很久……,却一直不见小孩应答一声。
作为邻居,这位妈妈经常向我抱怨起她的孩子,我家小孩老是胡作非为、不爱上学、就爱打游戏,我和他爸做点小生意特别忙,晚上10点才收摊回家,真是愁人,想尽了一切办法教育他,却一点作用都不起。有一次我听过最夸张的是说,不给玩手机,就不吃饭,扬言从阳台上跳下去!
这样的小霸王放到家里就是一磅裹着爱的炸弹,爱而不得。不光是面对父母甚至整个世界,孩子的脸上写满了三个字——别碰我!
孩子生下来就是孩子,没有好坏之分,原生家庭父母的言传身教渐渐让孩子带上了或好或坏的标签。
爱哭的孩子有奶吃?
孩子一生下来就在哭,做父母的立马将其搂在怀里,含情脉脉的摇到外婆桥,孩子一天天长大,如果我们还是用这种哭了就讨好他的方式去被动满足他,那么在他的潜意识里会埋下,只要我哭,我就能得到一切的思维模式。小时候,可能他需要的是一杯奶、一个玩具,但等他长大或者成年后可能要的是钱、房子或者奢侈品等等。
别玩这些没用的好吗?
作为父母,大家有没有对自家孩子吼过这句“别玩这些没用的好吗?”,下一句是,“你怎么能这么不听话,快去写作业!”。尽管父母很用力的制止孩子的错误行为,但有几个孩子真的去写作业了,可能在你离开他的书桌后,抱起手机在偷偷打游戏。
不好好吃饭,不给看动画片?
小孩大多有挑食、吃饭让大人追着跑的毛病,也许,你又对他说,不好好吃饭,不给看动画片,这句警告可能一开始会很有用,但它不是长久之计,没有人喜欢威胁和警告,小孩有的是时间和大人拖延,而父母都希望尽快解决问题好忙于工作。当说什么都听不进去的时候该怎么办?思考一下,不好好吃饭和看动画片这两者之间并没有联系。
题做不对不许睡觉?
放学后6点到9点这个时间段,是给孩子辅导作业的时间,有些父母恨不得抓心挠墙,背了50遍的乘法口诀还是记不住,简单的口算题还是一算就错,自己都恨不得钻到孩子的脑子里去教,结果却是孩子痛苦,自己更加痛苦却看不到一点效果。这时你又对孩子说,题做不对不许睡觉!这简直就是不吃饭不给看动画片的翻版!
以上列举的四种在教育孩子的过程中遇到的问题要怎么解决呢?
在美国作家金伯利·布莱恩2011年出版的书 《你就是孩子最好的玩具》 中,布莱恩向大家介绍了对孩子进行情感教育的工具—— 情感引导 。
情感引导就是沟通,建立情感词汇 。 不要以为孩子小就低估他沟通的能力,研究发现,如果妈妈温柔的对孩子讲话,即便他听不懂内容但能记住妈妈温柔表情和动作,这对一张还是白纸的孩子来说是新的认知建立,所以,首先我们把说话的声音和语调慢下来,学会温柔是第一点。
情感引导的具象化就是帮助孩子建立大量关于情感的词汇,比如什么叫开心、快乐、生气、难过、沮丧等等。在孩子一到两岁的时候我们大多数父母教给孩子的是:什么是星星、太阳、汽车等等一些能看到的名词,而情感类的词既看不到又摸不着,我们如何传递给孩子呢?方法是引导。
比如在孩子看小猪佩奇的时候,每集结尾佩奇一家基本都在哈哈大笑,这时你可以问问孩子,宝贝,你觉得佩奇这会儿的感受是什么?结合回答引导孩子思考,并且告诉他,佩奇是开心的,此时已经给出开心的定义,类似都可以通过具象化给出情感词汇的定义,这是帮助孩子在感受他人的过程。
正视孩子的感受,提出具体要求 。 比如,有一个很重要的公众活动,怎么能让孩子有礼貌的参加,中途不哭也不闹呢我们必须告诉他原则和具体要求,而不只是简单的说,要乖、听话之类的词!比如:见到客人要有礼貌、不能大喊大叫、不能到处乱跑等等。不要只说一遍要重复沟通,出门前说一遍、路上说一遍、到了之后再说一遍。实际上这也是引导、谈判的过程。
关注孩子的情绪变化,倾听孩子内心感受 。 当孩子出现情绪、闹腾的时候,蹲下来对孩子说,爸爸理解你的感受,你要怎么样才开心呢?安稳他的心情引导他朝正确的路上走,并且不断肯定他、赞美他、鼓励他。
总结起来就是,父母要对孩子的情感进行确认,告诉孩子:
怎么做是对的+反应孩子的情感+引导孩子怎么做+表扬孩子做得好, 心理学研究发现, 培养一个人最有效的时间是在他做对的时候表扬他而不是做错的时候指责他。
爱哭的孩子有奶吃,这是贿赂;别玩这些没用的,这是感受忽视;不给看动画片,这是威胁 ;不让睡觉,这是体罚 ,不要再用这些老套的方法教育孩子了,我们都希望孩子健康、乐观的成长,无论是对孩子性格的塑造还是学习能力的培养都需要父母做出耐心、正确的情感引导,每一个错误的方法都会给孩子留下心灵的盲点,这些盲点将会影响孩子成年后的性格和社会行为能力。
让我们的孩子变成温润如玉的小天使吧!
正所谓“心雨的时候晴也是雨,心晴的时候雨也是晴。”
这是因为人的主观意识对客观事物有一定的能动作用。人对于喜欢的事物总是感到高兴、愉悦,而对于讨厌的事物则表现出烦燥、不安,甚至厌恶的情绪。这些喜的、厌的情感会对同样的客观事物(比如铃声)产生不同的感受和行为态度。如果我们能积极发挥自己主观能动性,那么即使是在炎热的夏天也能做到“心静则凉”。
欢迎分享,转载请注明来源:浪漫分享网
评论列表(0条)